AI投资持续升温，但企业要真正实现理想回报仍面临不小挑战。TechRadar于6日（当地时间）报道称，全球AI支出今年预计同比增长47%，达到2.59万亿美元（约3676.5万亿韩元）。不过，当前仅有28%的AI项目实现了可量化的投资回报率（ROI）。

报道指出，不少企业为了抢抓AI机遇不断加大投入，却在尚未理清AI如何融入现有技术体系、尤其是数据存储基础设施的情况下，便加快推进部署。这也使得AI项目在落地后更容易遭遇成本与效率上的瓶颈。

在外界讨论AI时，焦点往往集中在算力、GPU和处理速度上，但AI能否真正规模化落地，归根结底仍取决于数据体系。随着AI从试点走向大规模应用，数据采集、存储、访问和管理能力的重要性正持续上升。对于企业而言，存储基础设施不应再被视为辅助环节，而应成为决定AI成效的核心底座。

与传统数据存储相比，AI时代的数据环境变化更快、规模更大。过去的存储系统在建成后较长时间内通常可以保持相对稳定运行，但这一模式已难以适应AI需求。IDC预计，未来5年全球年度数据生成量将增至目前的3倍以上，到2030年达到718ZB。与此同时，AI工作负载还会持续产生日志、元数据、合成输出、模型更新和训练数据集等新数据。

如果存储基础设施无法满足AI工作负载需求，或与其特征不匹配，高成本的GPU等算力资源就可能因等待数据而被闲置，进一步压低AI项目的回报水平。因此，数据存储能力已不只是基础设施问题，也直接关系到AI投资效率。

应对这一问题的路径之一，是采用分层存储架构。不同类型的数据，对性能和成本的要求并不相同：模型训练和推理所需的高频数据，应放置于高性能存储层；历史数据、归档输出以及合规记录等，则可转移至成本更低的存储层。按照数据价值和使用频率配置相应的存储性能，有助于企业在兼顾AI创新、治理和后续模型开发数据可用性的同时，优化基础设施支出。

合规问题同样需要在AI规划初期就纳入整体设计。相关要求通常包括各国隐私保护法规、数据使用与访问规则、数据治理与透明度要求，以及记录留存义务等。对于服务海外客户的企业而言，这些要求的重要性更为突出。

报道还指出，训练数据和模型记录的保存周期可能比企业预期更长，这使得长期存储策略变得尤为关键。如果等到后期再补做相关安排，不仅成本更高，实施复杂度也会明显上升。

从这个角度看，AI投资回报并不只取决于算法能力或应用场景。企业能否高效存储和管理海量数据，并按照监管要求落实合规管控，将直接影响最终产出。在PB级、EB级数据环境下，即便只是每TB成本出现细微差异，也可能累积为显著的财务负担。

因此，企业在加码GPU等算力投入的同时，也需要提前预估存储容量需求，并在AI业务规划阶段同步制定数据基础设施策略。只有将存储、治理与合规一并纳入AI部署框架，才能更有效提升投资回报，并支撑AI应用的持续扩展。